集合卡尔曼滤波(the Ensemble Kalman Filter,简称EnKF)中将预报集合的统计协方差作为预报误差协方差,但该估计可能严重偏离真实的预报误差协方差,影响同化精度。基于极大似然估计理论,发展了一种优化预报误差协方差矩阵的实时膨胀方法,...集合卡尔曼滤波(the Ensemble Kalman Filter,简称EnKF)中将预报集合的统计协方差作为预报误差协方差,但该估计可能严重偏离真实的预报误差协方差,影响同化精度。基于极大似然估计理论,发展了一种优化预报误差协方差矩阵的实时膨胀方法,即MLE(the Maximum Likelihood Estimation)方法。利用蒙古国基准站Delgertsgot(简称DGS站)观测资料,基于EnKF方法和MLE方法,在通用陆面模式(the Common Land Model,简称CoLM)中同化了地表温度和10 cm土壤温度观测资料,建立了土壤温度同化系统。结果表明:MLE方法对地表温度和各层土壤温度(尤其深层土壤温度)的估计比EnKF方法准确。考虑到浅层和深层土壤温度的差别,在实施MLE方法时对浅层和深层土壤温度采用了不同的膨胀因子。对比膨胀因子为单一标量时的结果,多因子膨胀能缓解深层土壤温度的不合理膨胀,改善同化效果。展开更多
文摘集合卡尔曼滤波(the Ensemble Kalman Filter,简称EnKF)中将预报集合的统计协方差作为预报误差协方差,但该估计可能严重偏离真实的预报误差协方差,影响同化精度。基于极大似然估计理论,发展了一种优化预报误差协方差矩阵的实时膨胀方法,即MLE(the Maximum Likelihood Estimation)方法。利用蒙古国基准站Delgertsgot(简称DGS站)观测资料,基于EnKF方法和MLE方法,在通用陆面模式(the Common Land Model,简称CoLM)中同化了地表温度和10 cm土壤温度观测资料,建立了土壤温度同化系统。结果表明:MLE方法对地表温度和各层土壤温度(尤其深层土壤温度)的估计比EnKF方法准确。考虑到浅层和深层土壤温度的差别,在实施MLE方法时对浅层和深层土壤温度采用了不同的膨胀因子。对比膨胀因子为单一标量时的结果,多因子膨胀能缓解深层土壤温度的不合理膨胀,改善同化效果。